CN116977339B - 一种锂电池健康状态预测评估方法 - Google Patents
一种锂电池健康状态预测评估方法 Download PDFInfo
- Publication number
- CN116977339B CN116977339B CN202311236401.2A CN202311236401A CN116977339B CN 116977339 B CN116977339 B CN 116977339B CN 202311236401 A CN202311236401 A CN 202311236401A CN 116977339 B CN116977339 B CN 116977339B
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- partition
- protective film
- value
- edge
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 554
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 554
- 230000036541 health Effects 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005192 partition Methods 0.000 claims abstract description 161
- 238000005562 fading Methods 0.000 claims abstract description 59
- 230000032683 aging Effects 0.000 claims abstract description 36
- 230000001681 protective effect Effects 0.000 claims description 97
- 238000001514 detection method Methods 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 11
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 abstract description 12
- 230000003862 health status Effects 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 11
- 238000002845 discoloration Methods 0.000 description 11
- 238000000638 solvent extraction Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 5
- 239000000203 mixture Substances 0.000 description 5
- 239000000178 monomer Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000008961 swelling Effects 0.000 description 2
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036449 good health Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000005195 poor health Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及状态管理数据预测技术领域,具体涉及一种锂电池健康状态预测评估方法。该方法构建参考边缘分析每个锂电池分区外部结构的形变及破损老化程度,获取对应分区的锂电池膨胀指数和保护膜褶皱系数,然后根据外部保护膜的颜色信息获取保护膜褪色指数;结合外部结构形变及破损褪色程度,构建锂电池健壮强度为目标特征,并结合CA显著性算法获取对应分区的显著性值;利用显著性值评估待测锂电池组的健康状态,并定期采集获取实时健康状态数据序列,预测锂电池组的健康状态。本发明通过分析锂电池的结构变形及老化程度,将纹理及颜色信息融合为目标特征,获取锂电池分区显著性值,进而得到更全面准确的健康状态数据,提高了预测的准确性。
Description
技术领域
本发明涉及状态管理数据预测技术领域,具体涉及一种锂电池健康状态预测评估方法。
背景技术
随着电力科技的发展,锂电池因具有能量密度高、寿命长以及可自由组合以适配不同电源需求等优点,被广泛地应用于人类的生产生活中。然而锂电池的工作环境及工作强度等因素会很大程度的影响其健康状态,而带病运行又将直接影响整个锂电池组的寿命,故对锂电池进行定期健康状态评估及预测至关重要。
现有技术中的预测算法需要基于准确的历史信息实现准确的数据预测,而传统的锂电池健康状况检测通常是对锂电池组工作中的各项参数如电流、电压等进行监控,观察其是否发生异常变化进而对锂电池组的健康状态进行评估。然而这种办法仅能分析锂电池组的整体运行状况,并不能有效检测出锂电池组的结构变形、损伤或老化等异常,所获取的健康状态数据并不全面且不准确,影响对锂电池组健康状态的评估预测。
发明内容
为了解决现有检测手段获取的健康状态数据不全面准确,影响对锂电池组健康状态的评估预测的技术问题,本发明的目的在于提供一种锂电池健康状态预测评估方法,所采用的技术方案具体如下:
本发明提出了一种锂电池健康状态预测评估方法,所述方法包括:
获取单排待测锂电池组的侧表面图像;所述侧表面图像包含锂电池区域、支架区域及所有铆合槽点,且所述支架区域的主方向与所述侧表面图像的水平方向平行;
获取所述锂电池区域中的边界边缘和保护膜边缘,根据所述边界边缘获取每个锂电池分区;根据所述铆合槽点构建每条所述边界边缘的参考边缘,所述参考边缘与所述支架区域的主方向垂直;在每个所述锂电池分区中,根据所述边界边缘及所述参考边缘上相同纵坐标像素点的距离获取锂电池膨胀指数;
在每个所述锂电池分区中,对所述参考边缘及所述保护膜边缘进行曲率分析,获取保护膜褶皱系数;根据所述侧表面图像中像素点的颜色信息筛选褪色像素点;根据所述褪色像素点的数量获取每个所述锂电池分区的保护膜褪色指数;根据所述保护膜褶皱系数、所述保护膜褪色指数及所述锂电池膨胀指数获取锂电池健壮强度;
根据所述锂电池健壮强度获取对应所述锂电池分区的显著性值;根据每个所述锂电池分区的所述显著性值评估单排待测锂电池组的健康状态;
获取待测时间段内每个检测时刻下的实时单排待测锂电池组的实时健康状态;将所述实时健康状态组成的序列输入训练好的预测模型,输出预测健康状态。
进一步地,所述获取所述锂电池区域中的边界边缘和保护膜边缘,根据所述边界边缘获取每个锂电池分区包括:
获取所述锂电池区域内的所有边缘;计算所有所述边缘的长度并求长度均值,将所述长度大于等于所述长度均值的边缘作为边界边缘,所述长度小于所述长度均值的边缘作为保护膜边缘;
以第一个所述边界边缘开始,按预设排列顺序将每两个所述边界边缘所分割区域作为一个锂电池分区。
进一步地,所述根据所述边界边缘及所述参考边缘上相同纵坐标像素点的距离获取锂电池膨胀指数包括:
在每个所述锂电池分区中,计算所述边界边缘及所述参考边缘上的每个相同纵坐标像素点的欧氏距离的方差,所述方差为对应所述锂电池分区的锂电池膨胀指数。
进一步地,所述获取对应所述锂电池分区的保护膜褶皱系数包括:
在每个所述锂电池分区内,获取所述参考边缘上每个像素点的参考曲率,获取所述保护膜边缘上的像素点的目标曲率;
计算相同纵坐标像素点的所述目标曲率与所述参考曲率的曲率差异,将所述曲率差异求和,得到对应所述锂电池分区的保护膜褶皱系数。
进一步地,所述褪色像素点的获取方法包括:
获取预设标准HSV值;获取每个所述锂电池分区内的每个像素点的HSV值,将HSV值小于预设标准HSV值的像素点标记为褪色像素点。
进一步地,所述根据所述褪色像素点的数量获取每个所述锂电池分区的保护膜褪色指数包括:
在每个所述锂电池分区中,获取所述褪色像素点的数量,计算所述褪色像素点的数量与所述锂电池分区的像素点总数的比值,所述比值为保护膜褪色指数。
进一步地,所述根据所述保护膜褶皱系数、所述保护膜褪色指数及所述锂电池膨胀指数获取锂电池健壮强度包括:
将所述保护膜褶皱系数及所述保护膜褪色指数相乘获取对应所述锂电池区域的老化指数;
计算所述老化指数与所述锂电池膨胀指数的乘积,将所述乘积进行负映射并归一化,获得锂电池健壮强度。
进一步地,所述根据所述锂电池健壮强度获取对应所述锂电池分区的显著性值包括:
将任意一个所述锂电池分区与所有所述锂电池分区的所述锂电池健壮强度的差值作为目标特征距离差值,根据所述目标特征距离差值,利用CA显著性算法计算对应所述锂电池分区的显著性值。
进一步地,所述根据每个所述锂电池分区的所述显著性值评估所述单排待测锂电池组的健康状态包括:
将每个所述锂电池分区对应的所述显著性值进行归一化,将归一化值大于预设阈值的所述锂电池分区作为非健康锂电池区域,将归一化值小于等于预设阈值的所述锂电池分区作为健康锂电池区域;
获取所述非健康锂电池区域的数量,将所述非健康锂电池的数量与所述锂电池分区的总数量的比值作为所述健康状态。
进一步地,所述预测模型为根据ARIMA时序预测算法构成的模型。
本发明具有如下有益效果:
本发明考虑到现有检测手段获取的健康状态数据不全面准确,影响对锂电池组健康状态的评估预测。为获取全面准确的锂电池健康状态数据,提高预测评估准确性,本发明首先获取单排待测锂电池组的侧表面图像中的锂电池区域、支架区域及铆合槽点;支架区域主方向与侧表面水平方向平行,以确保每个锂电池单体的侧表面均被完整采集,进而便于后续的分析;然后获取锂电池区域内的边界边缘和保护膜边缘,根据边界边缘构建锂电池分区;考虑到铆合槽点是单排待测锂电池组铆合槽上的点,在电池膨胀时位置参数不变,使参考边缘具有很强的鲁棒性及参考价值,故根据铆合槽点构建每条边界边缘对应的参考边缘;通过在对应锂电池分区中计算边界边缘及参考边缘上相同纵坐标像素点的相对距离判断对应分区的锂电池膨胀指数;考虑到锂电池保护膜边缘的曲率能够反映锂电池老化程度的纹理信息,锂电池保护膜上的颜色能够反映锂电池老化程度的颜色信息,根据锂电池保护膜上的纹理信息和颜色信息融合获取锂电池老化指数,进一步结合反映锂电池形变的锂电池膨胀指数获取锂电池健壮强度,将反映锂电池外在结构、纹理信息及颜色信息的特征信息的锂电池健壮强度作为目标特征获取每个锂电池分区的显著性值,更易于获取每个锂电池区域的差异,进而根据差异获取更准确全面的待测锂电池组的健康状态数据,再根据待测时间段内所获取的实时健康状态数据预测锂电池组的健康状态。本发明通过分析锂电池的结构变形及老化程度,同时将结构的纹理信息及颜色信息融合作为目标特征,获取更为准确的锂电池分区显著性值,进一步获取了更全面准确的健康状态数据,相比现有技术提高了锂电池健康状态评估及预测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种锂电池健康状态预测评估方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种锂电池健康状态预测评估方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种锂电池健康状态预测评估方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种锂电池健康状态预测评估方法流程图方法流程图,该方法包括以下步骤:
步骤S1,获取单排待测锂电池组的侧表面图像;侧表面图像中包含锂电池区域、支架区域及所有铆合槽点,且支架区域的主方向与侧表面图像的水平方向平行。
锂电池组是由多个锂电池单体所构成的多层多排结构,用户可根据实际需求调整层高和排数;而每个锂电池单体是通过固定支架进行固定和支撑,在每个固定支架上均设计有铆合槽,通过在每个锂电池单体的正负极两端安装固定支架,然后利用铆合槽连接组合成锂电池组。单排锂电池组的结构是由多个锂电池单体构成的单排结构结构中包含了每个锂电池的固定支架、锂电池单体及铆合组合槽。
为对锂电池组的健康状态进行检测,通过相机采集单排待测锂电池组的侧表面图像,并对所采集的图像进行处理分析,进而获取单排待测锂电池组的健康状态及进行健康状态的评估预测。
本发明实施例中,将单排待检测锂电池组送至检测传送带上,并在检测传送带正上方设置高清CMOS相机,通过高清CMOS相机采集送检锂电池组的侧表面图像。所采集的侧表面图像包括锂电池区域、支架区域;其中支架区域中包含铆合槽,为便于后续的分析处理,取支架铆合槽下端点处的像素点作为铆合槽点;并且支架区域的铆合槽铆合顺序的主方向与所采集的侧表面图像的水平方向平行,确保待测锂电池组中每个锂电池单体均能被清晰完整地采集。
需要说明的是,由于对多排锂电池组进行图像检测分析时,无法获取内部锂电池的图像信息,故本发明实施例所针对的是单排锂电池组,并且进行图像采集时,需将单排待测锂电池组水平倒放在传送带上,以保证每个锂电池区域完整采集,用户可根据实际应用情况调整单排锂电池组中的数量及拍摄方式。
在本发明一个实施例中,为了方便图像处理过程的运算,利用灰度值平均法将所采集的侧表面图像进行灰度化处理,获取灰度图像;再将灰度图像进行基于均值滤波的去噪处理,在降噪的同时尽量保持图像的细节和边缘信息;最后将降噪后的灰度图像使用拉普拉斯算子进行锐化,增强边缘及细节,完成对所采集的侧表面图像的预处理。灰度值平均法、均值滤波算法、拉普拉斯锐化算法均为现有技术,此处不再过多赘述。
为了便于快速准确地判断每个锂电池单体的健康状况,进而评估整个单排待测锂电池组的健康状态,本发明实施例将锂电池区域、支架区域分别提取出来,所提取的锂电池区域可以快速准确获取纹理及颜色信息,而支架区域具有不易形变的鲁棒性,对于后续分析变形的锂电池或褶皱的保护膜具有较高的参考价值。故本发明实施例分割并标记所获取的灰度图像中的锂电池区域及支架区域,并通过支架的固定参数确定铆合槽位置进一步获取铆合槽点,以便后续的图像分析。
在本发明的一个实施例中,考虑到待测锂电池组中的固定支架通常为黑色,而锂
电池外壳均为亮色,故采用大津阈值分割法能很好的区分出待测锂电池组中的支架及锂电
池;然后将支架的位置映射到原侧表面灰度图像中并标记为支架区域,其他区域则标记为
锂电池区域;将分割出来的支架区域结合支架的固定参数,通过固定坐标截取法获取铆合
槽的位置,并记录其位置坐标为,其中表示第个固定支架区域中的第个铆合槽的位置坐标,为固定支架区域数量,为一个固定支架区域中含有的铆合槽数量;将铆合槽中下端点处的像素点作为铆合槽
点,便于后续参考边缘的构建。大津阈值分割法及固定坐标截取法均为现有技术,此处不再
过多赘述。需要说明的是,在本发明其他实施例中也可通过语义分割网络对侧表面图像中
的支架区域和锂电池区域进行识别,进一步识别支架区域中的铆合槽点,具体语义分割网
络的训练以及应用为本领域技术人员熟知的技术手段,在此不做赘述。
步骤S2,获取锂电池区域中的边界边缘和保护膜边缘,根据边界边缘获取每个锂电池分区;根据铆合槽点构建每条边界边缘的参考边缘,参考边缘与支架区域的主方向垂直;在每个锂电池分区中,根据边界边缘及参考边缘上相同纵坐标像素点的距离获取锂电池膨胀指数。
对于锂电池的健康状态而言,其外部的损伤情况和老化情况对电池整体的健康状况影响较大。在外部损伤情况中,锂电池的膨胀影响最为严重,锂电池膨胀程度则能够极大程度地表明该锂电池的健康状况。通常情况下,锂电池的膨胀主要是因为内部短路、过充电或长期处于高温环境等因素所导致,继续使用可能会导致外壳破裂,内部化学物质泄露,甚至引发爆炸或火灾,故对锂电池的膨胀程度进行检测至关重要。
考虑到锂电池的膨胀通常表现为四周膨胀鼓起、整体外凸变形,在所采集的侧表面图像中将具体表现为两侧电池边界边缘距离相对正常情况增大即电池宽度增大;故本发明实施例首先获取锂电池区域内的边界边缘及保护膜边缘,又考虑到锂电池区域为多个锂电池组合而构成的区域,不便于后续锂电池组健康状态的评估,故结合锂电池组的排列铆合关系,将所获取的边界边缘排序获取每个锂电池分区,使得后续的分析均是针对单个锂电池分区,便于获取每个锂电池分区的显著性值,进而获取单排待测锂电池组的健康状态,进行后续的预测工作。
优选地,本发明一个实施例中考虑到边缘为像素点灰度值变化较为明显的区域,又考虑到可能存在部分非锂电池边缘的影响导致最终分区效果不佳。基于此,获取锂电池区域中的锂电池边缘包括,获取锂电池区域内的所有边缘;计算所有边缘的长度并求长度均值,将长度大于等于长度均值的边缘作为边界边缘,长度小于长度均值的边缘作为保护膜边缘;以第一个边界边缘开始,按预设排列顺序将每两个边界边缘所分割区域作为一个锂电池分区。
在本发明的一个实施例中具体采用Canny算子对步骤S1获取的锂电池区域进行边缘检测,获取锂电池区域内的所有边缘;考虑到锂电池区域内锂电池外壳通常没有参数信息及其他纹理信息,但为了避免部分保护膜褶皱或破损脱落等的非锂电池边界边缘的影响,本发明实施例根据所检测到的边缘的长度求均值作为是否为锂电池边缘的判断依据,将大于等于长度均值的边缘作为边界边缘并记录排序,小于长度均值的边缘则作为保护膜边缘;以第一个边界边缘开始,按照边界边缘的检测排列顺序将每两个边界边缘所分割区域作为一个锂电池分区。Canny边缘检测算法为现有技术,此处不再过多赘述。
在对锂电池的膨胀程度进行分析时,由于支架及锂电池的设计规格相对固定,且支架在锂电池膨胀时仍不易发生形变,具有较高的鲁棒性,故可在每个锂电池分区中通过步骤S1所获取的铆合槽点构建每条边界边缘所对应的参考边缘,参考边缘与支架区域的主方向垂直;通过计算参考边缘与边界边缘所围成的区域面积和可以判断对应锂电池是否膨胀,但由于该方法需要结合正常锂电池对应的区域面积值进行判断,对于不同尺寸的锂电池检测需获取对应的标准区域面积值,过程较为繁琐,故本发明实施例根据锂电池分区中边界边缘及参考边缘上相同纵坐标像素点的距离即锂电池的近似宽度差值获取锂电池膨胀指数,当相同纵坐标像素点间的距离越大,说明锂电池发生膨胀的可能性也越大。
优选地,本发明一个实施例中,根据边界边缘及参考边缘上相同纵坐标像素点的距离获取锂电池膨胀指数包括,在每个锂电池分区中,计算边界边缘及参考边缘上的每个相同纵坐标像素点的欧氏距离的方差,方差为对应锂电池分区的锂电池膨胀指数。锂电池膨胀指数的计算公式具体表示为:
其中,为锂电池膨胀指数,为边界边缘上的像素点的总数,为第个参考边
缘上的点与其对应纵坐标相同的边界边缘上的点的欧氏距离,为对应欧氏距离的均值。
在锂电池膨胀指数计算公式中,由于参考边缘具有较高的鲁棒性,则参考边缘上
的点与对应相同纵坐标的边界边缘上的点的欧氏距离反映了锂电池在每个纵坐标下的
每一侧的膨胀距离,而欧氏距离均值则反映了该分区对应的锂电池每侧膨胀距离的平均
水平,该平均水平通常是大于等于正常锂电池每侧参考边缘及边界边缘的相对距离;当方
差越大,说明该锂电池区域的膨胀程度越大,电池健康状态越差,反之,电池膨胀程度较小,
电池健康状态越好。
需要说明的是,由于参考边缘是根据支架区域中的铆合槽点构建的,相对边界边缘上的像素点较多,会存在部分参考边缘上的像素点无对应同纵坐标的边界边缘像素点,故在获取锂电池膨胀指数时只计算有同纵坐标像素点间的欧氏距离即可。
通过上述锂电池膨胀指数公式计算每个锂电池分区的锂电池膨胀指数,便于后续对每个锂电池分区的健康状态进行评估。
步骤S3,在每个锂电池分区中,对参考边缘及保护膜边缘进行曲率分析,获取保护膜褶皱系数;根据侧表面图像中像素点的颜色信息筛选褪色像素点;根据褪色像素点的数量获取每个锂电池分区的保护膜褪色指数;根据保护膜褶皱系数、保护膜褪色指数及锂电池膨胀指数获取锂电池健壮强度。
对于锂电池的健康状态而言,当锂电池未膨胀时,其老化程度同样也是判别锂电池健康状态的重要指标。尽管锂电池相对于其他电池而言寿命较长,但长期使用后,锂电池内外组成会出现不同程度的老化,而锂电池外壳保护膜的状况可以反映其外在组成的老化程度;保护膜通常采用热缩工艺对电池进行包裹保护,而由于锂电池持续发热及工作环境的影响,使保护膜松动、褪色甚至脱落,造成锂电池本体暴露在工作环境当中,可能使其寿命减少,影响锂电池组的工作效率。
考虑到当锂电池老化时,原本紧紧贴合在锂电池周围上的保护膜可能将会出现类似波浪的褶皱,该类褶皱具有明显的纹理特征,可准确地反映锂电池保护膜的变形老化状况,故通过分析保护膜边缘上像素点的曲率信息,结合该曲率特征信息与参考边缘上像素点的曲率信息获取对应锂电池分区的保护膜褶皱系数。
优选地,本发明一个实施例中,获取对应锂电池分区的保护膜褶皱系数包括,在每个锂电池分区内,获取参考边缘上每个像素点的参考曲率,获取保护膜边缘上的像素点的目标曲率;计算相同纵坐标像素点的目标曲率与参考曲率的曲率差异,将曲率差异求和,得到对应锂电池分区的保护膜褶皱系数。保护膜褶皱系数的计算公式具体表示为:
其中,为保护膜褶皱系数,为锂电池分区内第j条保护膜边缘上第个点的曲
率,为参考边缘上第个点的曲率,为对应锂电池分区中保护膜边缘的总数,为锂电池
分区中对应保护膜边缘上的像素点总数。
在保护膜褶皱系数的计算公式中,考虑到参考边缘的鲁棒性及直线性,故该参考边缘上每个像素点的参考曲率均为零,通过计算保护膜边缘及参考边缘上的相同纵坐标像素点的曲率差异来判断保护膜边缘相对固定直线即参考边缘的变化程度,当曲率差异越大,说明保护膜边缘弯曲变化的可能性越大,保护膜的褶皱越多,锂电池老化的可能性也越大。
需要说明的是,由于参考边缘是根据支架区域中的铆合槽点构建的,相对保护膜边缘上的像素点较多,会存在部分参考边缘上的像素点无对应同纵坐标的保护膜边缘像素点,故曲率对比以保护膜边缘上的纵坐标像素点数量为准。
锂电池的老化还体现在锂电池保护膜颜色会出现一定程度的褪色,考虑到当保护膜出现褪色时,原有的保护膜颜色将变得不再鲜艳明亮,故本发明实施例将结合侧表面图像中的每个像素点的颜色信息筛选褪色像素点,再根据褪色像素点的数量获取每个锂电池分区的保护膜褪色指数,进而判断老化程度。
为便于获取侧表面图像中每个锂电池分区内像素点的颜色信息,进一步分析褪色程度,故本发明实施例首先将步骤S1中所采集的侧表面图像转化为HSV图像,HSV图像是一种常用的颜色模型,在分析保护膜的颜色信息时相比原始RGB模型能够更好的描述颜色出现褪色的特征;同时将步骤S2中锂电池分区的位置映射到所获取的HSV图像中,便于分析每个锂电池分区内的颜色信息。HSV颜色模型转换为现有技术,此处不再过多赘述。
优选地,本发明一个实施例中,褪色像素点的获取方法包括,获取预设标准HSV值;
获取每个锂电池分区内的每个像素点的HSV值,将HSV值小于预设标准HSV值的像素点标记
为褪色像素点。考虑到当保护膜发生褪色时,对应颜色的饱和度、亮度及色调都会相应降
低,故本发明实施例通过保护膜的出厂参数获取全新状态下的锂电池保护膜的预设标准
HSV值,将预设标准HSV值记为,作为判断每个锂电池分区对应的锂电池的保护膜是否出
现褪色的依据;通过获取每个锂电池分区中每个像素点的HSV值,将HSV值小于预设标准HSV
值的像素点标记为褪色像素点。褪色像素点的标记公式具体表现为:
其中,为锂电池分区中第个像素点的褪色标记值,为锂电池保护膜全新出
厂时的预设标准HSV值,为当前锂电池分区内第个像素点的HSV值;当像素点发生褪色
时,即预设标准HSV值大于当前像素点的HSV值,此时褪色标记值为1;反之,当像素点没有褪
色,褪色标记值为0。
考虑到在每个对应的锂电池分区中,褪色像素点的数量越多,说明锂电池保护膜的褪色程度越大,故本发明实施例根据褪色像素点的数量获取每个锂电池分区的保护膜褪色指数。
优选地,在本发明一个实施例中,根据褪色像素点的数量获取每个锂电池分区的保护膜褪色指数包括,在每个锂电池分区中,获取褪色像素点的数量,计算褪色像素点的数量与锂电池分区的像素点总数的比值,比值为保护膜褪色指数。保护膜褪色指数的计算公式具体表示为:
其中为锂电池保护膜褪色指数,为锂电池分区中第个像素点的褪色标记
值,为对应锂电池分区中褪色像素点的数量,为该锂电池分区内的像素点总数。
通过褪色像素点数量与锂电池分区内像素点的总数量评估该锂电池分区的褪色程度;当保
护膜褪色指数越大,说明该锂电池分区内的褪色像素点越多,该锂电池整体的褪色程度较
为严重;反之,说明该锂电池分区内的褪色像素点越少,该锂电池整体的褪色程度较轻。
至此获取了每个锂电池分区的保护膜褶皱系数、保护膜褪色指数及锂电池膨胀指数,这些指数对于判断对应锂电池分区的健康状态都具有重要的影响程度,故结合以上指数获取锂电池健壮强度。
优选地,本发明一个实施例中,根据保护膜褶皱系数、保护膜褪色指数及锂电池膨胀指数获取锂电池健壮强度包括,将保护膜褶皱系数及保护膜褪色指数相乘获取对应锂电池区域的老化指数;计算老化指数与锂电池膨胀指数的乘积,将乘积进行负映射并归一化,获得锂电池健壮强度。老化指数的计算公式具体表示为:
其中为锂电池的老化指数,为锂电池保护膜褶皱系数,为锂电池保
护膜褪色指数。考虑到锂电池保护膜褶皱系数及保护膜褪色指数均能反映锂电池外在组成
上的老化情况,同时考虑到将具有纹理信息的保护膜褶皱系数及具有颜色信息的保护膜褪
色指数融合,能为后续的显著性判断提供更准确有效的特征信息;故将二者相乘,体现出正
相关关系,当保护膜褶皱系数越大,锂电池的老化指数越大;当保护膜褪色指数越大,锂电
池的老化指数越大。在本发明其他实施例中也可采用相加关系、指数函数的幂等基础数学
运算表征正相关关系,由实际应用进行确定,在此不做限定。
锂电池健壮强度的计算公式具体表示为:
其中,为锂电池健壮强度,为锂电池膨胀指数,为锂电池老化指数,是以自然常数为底数的指数函数。
在锂电池健壮强度的计算公式中,通过将锂电池膨胀指数及老化指数相乘,将相乘后的乘积进行负映射并归一化处理,在本发明其他实施例中可采用其他归一化方法在此不做限定。锂电池膨胀指数与锂电池老化指数也成正相关关系,因为锂电池的膨胀情况及锂电池的老化情况都影响着锂电池的健康状态,当锂电池膨胀指数越大,对应的锂电池健壮强度值越低,说明锂电池的膨胀程度越大,锂电池的健康状态越差;当锂电池的老化指数越大,对应的锂电池健壮强度值也越低,说明锂电池保护膜褪色或褶皱程度越大,锂电池的老化程度越大,健康状态也越差。
步骤S4,根据锂电池健壮强度获取对应锂电池分区的显著性值;根据每个锂电池分区的显著性值评估单排待测锂电池组的健康状态。
图像显著性区域检测在图像分析中可以类似于人眼一样快速判断出图像中具有明显差异的显著性区域,而显著性值则反映了该图像区域特征的显著程度,故通过计算图像区域的显著性值可快速准确地区分出该区域相对其他区域的差异性。而锂电池健壮强度融合了对应锂电池分区内的纹理特征信息及颜色特征信息,在进行区域的显著性检测时提供更为丰富的目标特征信息,故本发明实施例根据不同锂电池分区的锂电池健壮强度获取对应的显著性值,进而判断对应锂电池分区的健康状态。
优选地,本发明一个实施例中,根据锂电池健壮强度获取对应锂电池分区的显著性值包括,将任意一个锂电池区域与所有锂电池分区的锂电池健壮强度的差值作为目标特征距离差值,根据目标特征距离差值,利用CA显著性算法计算对应锂电池分区的显著性值。
在本发明的一个实施例中具体采用CA显著性算法获取对应锂电池分区的显著性值。由于CA显著性算法为现有技术,此处不再过多赘述,仅简述本发明一个实施例下简述CA显著性算法获取显著性值的简要步骤及公式:
首先获取不同锂电池分区对应的整体距离差值,整体距离差值的计算公式具体表现为:
其中,为区域与区域的整体距离差值,为锂电池区域中的第个
锂电池分区,为锂电池区域中的第个锂电池分区,为参数取3,为锂
电池分区与锂电池分区的位置距离差值,为锂电池分区与锂电池分区的健壮强度差值即,为锂电池区域中第个锂电池
分区的锂电池健壮强度,为锂电池区域中第个锂电池分区的锂电池健壮强度。当两
个锂电池分区的锂电池健壮强度差异越大,二者间的整体距离差值越大。
然后计算不同尺度下的锂电池组图像中每个锂电池分区的显著性值,显著性值的计算公式具体表示为:
其中,为在尺度下图像中第个区域的显著性值,K为在尺度下划分的区域个
数由图像中的锂电池分区数量,本发明实施例中取100%,是以自然常数为底数的
指数函数,为锂电池分区与锂电池分区之间的整体距离差值,则表示锂电池分区与所有锂电池分区的整体距离差值。
考虑到在实际检测过程中,待测锂电池组中大部分是健康状态较好的锂电池,仅
存在个别健康状态较差的锂电池,故本发明实施例通过显著性检测判别每个锂电池分区的
健康状态,进而判断整个单排待测锂电池组的健康状态。当锂电池分区的健康状态越差,
与其他锂电池分区的锂电池健壮强度差距越大,锂电池分区的显著性值也越大。相反,锂
电池健康状态较好的锂电池分区显著性值则相应较小。因为一个单排待测锂电池组中包含
多个锂电池分区,因此可以根据一个单排待测锂电池组中所有锂电池分区的显著性值的大
小评估该单排待测锂电池组的健康状态。
优选地,本发明一个实施例中,根据显著性值评估锂电池组的健康状态包括,将每个锂电池分区对应的显著性值进行归一化,将归一化值大于预设阈值的锂电池分区作为非健康锂电池区域,将归一化值小于等于预设阈值的锂电池分区作为健康锂电池区域;获取非健康锂电池区域的数量,将非健康锂电池的数量与锂电池分区的总数量的比值作为健康状态。
在本发明的一个实施例中,显著性值的预设阈值T取0.6,在本发明的其他实施例中,实施者可根据实际情况进行修改,当显著性值大于预设阈值0.6时,则该锂电池分区为不健康锂电池区域,当显著性值小于等于0.6时,则为健康锂电池区域。
考虑到待测锂电池组中检测到的非健康锂电池区域越多,整个待测锂电池组的健康状态越差;故通过获取非健康锂电池区域的数量,将非健康锂电池的数量与锂电池分区的总数量的比值作为单排待测锂电池组的健康状态。
步骤S5,获取待测时间段内每个检测时刻下的实时单排待测锂电池组的实时健康状态;将实时健康状态组成的序列输入训练好的预测模型,输出预测健康状态。
为对单排待测锂电池组的未来健康状态进行评估预测,故需要获取大量的历史或实时健康状态数据并进行分析及预测。本发明实施例中,通过在待测时间段内,以一定的时间间隔对单排锂电池组进行检测,并记录获取每个检测时刻下对应的实时健康状态;为便于对单排待测锂电池组的健康状态数据的分析及预测,以采集状态数据的时间节点顺序构建时序序列,将采集到的健康状态数据根据对应的时间戳映射到构建的时序序列中,序列中每个数据点为对应时间节点的实时健康状态数据。在本发明的一个实施例中,采样时间间隔为24H,即每24H对单排待测锂电池组的健康状态进行一次检测,用户可根据实际应用情况设置采样间隔,在此不做限定。然后将所获取的健康状态时序序列输入至预先训练好的预测模型中,对单排待测锂电池组的健康状态进行预测,输出预测的健康状态。
优选地,本发明一个的实施例中,预测模型为根据ARIMA时序预测算法构成的模型。
在本发明的一个实施例中具体采用ARIMA时序预测算法对锂电池组的整体健康状态进行预测。ARIMA是一种常用的时序预测模型,通过建立时间序列数据的自回归和移动平均关系对数据进行预测,并且能够捕捉到数据中的趋势性和季节性,从而提供较为准确的未来数据预测,特别是在短期预测方面,ARIMA模型通常能够表现出良好的预测能力。考虑到锂电池组的工业应用背景及生活应用场景,其健康状态在很大程度上受生产生活中使用程度的影响,故使用ARIMA时序预测算法对单排待测锂电池组的健康状态进行预测。ARIMA时序预测算法是现有技术,此处不再过多赘述。
综上所述,本发明实施例通过在待测锂电池组的侧表面灰度图像中提取锂电池区域内的边界边缘、保护膜边缘和支架区域内的铆合槽点,并根据边界边缘划分锂电池分区、根据支架铆合槽点构建参考边缘,进一步根据边界边缘及参考边缘上相同纵坐标的像素点获取锂电池分区的膨胀指数;通过分析保护膜边缘与参考边缘的曲率信息获取保护膜褶皱系数,并在侧表面图像的HSV图像中根据颜色信息筛选褪色像素点,获取保护膜褪色指数;进一步根据保护膜褶皱系数和保护膜褪色指数获取锂电池老化指数,结合锂电池膨胀指数获取锂电池健壮强度,以不同锂电池分区的锂电池健壮强度的差值作为CA显著性检测算法的目标特征差异获取每个锂电池分区的显著性值;利用显著性值评估待测单排锂电池组的健康状态,并定期采集获取单排待测锂电池组的实时健康状态,构建健康状态数据序列,对单排待测锂电池组后续工作的健康状态进行预测。本发明通过分析锂电池的结构变形及老化程度,同时将结构的纹理信息及颜色信息融合作为目标特征,获取更为准确的锂电池分区显著性值,进一步获取了更全面准确的健康状态数据,提高了锂电池健康状态评估及预测的准确性。
一种锂电池组的健康状态异常定位方法实施例:
由于传统的锂电池健康状况检测通常是对锂电池组工作中的各项参数如电流、电压等进行监控,观察其是否发生异常变化进而对锂电池组的健康状态进行评估。然而这种办法仅能分析锂电池组整体的健康状况,并不能准确检测出锂电池组中的具体异常位置。本发明提供一种锂电池健康状态评估方法,方法包括:
步骤S1,获取单排待测锂电池组的侧表面图像;侧表面图像包含锂电池区域、支架区域及所有铆合槽点,且支架区域的主方向与侧表面图像的水平方向平行。
步骤S2,获取锂电池区域中的边界边缘和保护膜边缘,根据边界边缘获取每个锂电池分区;根据铆合槽点构建每条边界边缘的参考边缘,参考边缘与支架区域的主方向垂直;在每个锂电池分区中,根据边界边缘及参考边缘上相同纵坐标像素点的距离获取锂电池膨胀指数。
步骤S3,在每个锂电池分区中,对参考边缘及保护膜边缘进行曲率分析,获取保护膜褶皱系数;根据侧表面图像中像素点的颜色信息筛选褪色像素点;根据褪色像素点的数量获取每个锂电池分区的保护膜褪色指数;根据保护膜褶皱系数、保护膜褪色指数及锂电池膨胀指数获取锂电池健壮强度。
步骤S4,根据电池健壮强度获取对应锂电池分区的显著性值;根据显著性值确定非健康锂电池区域。
其中,步骤S1至步骤S3在上述一种锂电池健康状态预测评估方法实施例中已给出了详细说明,不再赘述。步骤S4的具体实施方式包括:
图像显著性区域检测在图像分析中可以类似于人眼一样快速判断出图像中具有明显差异的显著性区域,而显著性值则反映了该图像区域特征的显著程度,故通过计算图像区域的显著性值可快速准确地区分出该区域相对其他区域的差异性。而锂电池健壮强度融合了对应锂电池分区内的纹理特征信息及颜色特征信息,在进行区域的显著性检测时提供更为丰富的目标特征信息,故本发明实施例根据不同锂电池分区的锂电池健壮强度获取对应的显著性值,进而判断对应锂电池分区的健康状态。
优选地,本发明一个实施例中,根据电池健壮强度获取对应锂电池分区的显著性值包括,将任意一个锂电池区域与所有锂电池分区的锂电池健壮强度的差值作为目标特征距离差值,计算对应锂电池分区的显著性值。
在本发明的一个实施例中具体采用CA显著性算法获取对应锂电池分区的显著性值。由于CA显著性算法为现有技术,此处不再过多赘述,仅简述本发明一个实施例下简述CA显著性算法获取显著性值的简要步骤及公式:
首先获取不同锂电池分区对应的整体距离差值,整体距离差值的计算公式具体表现为:
其中,为区域与区域的整体距离差值,为锂电池区域中的第个
锂电池分区,为锂电池区域中的第个锂电池分区,为参数取3,为锂
电池分区与锂电池分区的位置距离差值,为锂电池分区与锂电池分区的健壮强度差值即,为锂电池区域中第个锂电池
分区的锂电池健壮强度,为锂电池区域中第个锂电池分区的锂电池健壮强度。当两
个锂电池分区的锂电池健壮强度差异越大,二者间的整体距离差值越大。
然后计算不同尺度下的锂电池组图像中每个锂电池分区的显著性值,显著性值的计算公式具体表示为:
其中,为在尺度下图像中第个区域的显著性值,K为在尺度下划分的区域个
数由图像中的锂电池分区数量,本发明实施例中取100%,是以自然常数为底数的
指数函数,为锂电池分区与锂电池分区之间的整体距离差值,则表示锂电池分区与所有锂电池分区的整体距离差值。
考虑到在实际检测过程中,待测锂电池组中大部分是健康状态较好的锂电池,仅
存在个别健康状态较差的锂电池不易确定其位置,故本发明实施例通过显著性检测进行判
别。当锂电池分区的健康状态越差,与其他锂电池分区的锂电池健壮强度差距越大,锂电
池分区的显著性值也越大。相反,锂电池健康状态较好的锂电池分区显著性值则相应较
小。
优选地,本发明一个实施例中,根据显著性值评估锂电池组的健康状态包括,将每个锂电池分区对应的显著性值进行归一化,将归一化值大于预设阈值的锂电池分区作为非健康锂电池区域,将归一化值小于等于预设阈值的锂电池分区作为健康锂电池区域。
在本发明的一个实施例中,显著性值的预设阈值T取0.6,在本发明的其他实施例中,实施者可根据实际情况进行修改,当显著性值大于预设阈值0.6时,则该锂电池分区为非健康锂电池分区,当显著性值小于等于0.6时,则为健康锂电池分区。
本发明考虑到现有检测方法进行锂电池健康状态检测时难以准确获取具体故障位置。为获取锂电池具体故障位置,提高评估效率,本发明首先获取单排待测锂电池组的侧表面图像中的锂电池区域、支架区域及铆合槽点;支架区域主方向与侧表面水平方向平行,以确保每个锂电池单体的侧表面均被完整采集,进而便于后续的分析;然后获取锂电池区域内的边界边缘和保护膜边缘,根据边界边缘构建锂电池分区;考虑到铆合槽点是单排待测锂电池组铆合槽上的点,在电池膨胀时位置参数不变,使参考边缘具有很强的鲁棒性及参考价值,故根据铆合槽点构建每条边界边缘对应的参考边缘;通过在对应锂电池分区中计算边界边缘及参考边缘上相同纵坐标像素点的相对距离判断对应分区的锂电池膨胀指数;考虑到锂电池保护膜边缘的曲率能够反映锂电池老化程度的纹理信息,锂电池保护膜上的颜色能够反映锂电池老化程度的颜色信息,根据锂电池保护膜上的纹理信息和颜色信息融合获取锂电池老化指数,进一步结合反映锂电池形变的锂电池膨胀指数获取锂电池健壮强度,将反映锂电池外在结构、纹理信息及颜色信息的特征信息的锂电池健壮强度作为目标特征获取每个锂电池分区的显著性值,更易于获取每个锂电池区域的差异,从而确定单排待测锂电池组中的异常区域。本发明将锂电池的纹理信息及颜色信息融合作为锂电池分区的目标特征,获取更为准确的锂电池分区显著性值,同时根据显著性值区分健康状态及非健康状态的锂电池分区,相比现有技术更准确地确定了锂电池的异常区域并提高了状态评估效率。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (5)
1.一种锂电池健康状态预测评估方法,其特征在于,所述方法包括:
获取单排待测锂电池组的侧表面图像;所述侧表面图像包含锂电池区域、支架区域及所有铆合槽点,且所述支架区域的主方向与所述侧表面图像的水平方向平行;
获取所述锂电池区域中的边界边缘和保护膜边缘,根据所述边界边缘获取每个锂电池分区;根据所述铆合槽点构建每条所述边界边缘的参考边缘,所述参考边缘与所述支架区域的主方向垂直;在每个所述锂电池分区中,计算所述边界边缘及所述参考边缘上的每个相同纵坐标像素点的欧氏距离的方差,所述方差为对应所述锂电池分区的锂电池膨胀指数;
在每个所述锂电池分区中,对所述参考边缘及所述保护膜边缘进行曲率分析,获取保护膜褶皱系数;根据所述侧表面图像中像素点的颜色信息筛选褪色像素点;根据所述褪色像素点的数量获取每个所述锂电池分区的保护膜褪色指数;根据所述保护膜褶皱系数、所述保护膜褪色指数及所述锂电池膨胀指数获取锂电池健壮强度;
根据所述锂电池健壮强度获取对应所述锂电池分区的显著性值;根据每个所述锂电池分区的所述显著性值评估单排待测锂电池组的健康状态;
获取待测时间段内每个检测时刻下的实时单排待测锂电池组的实时健康状态;将所述实时健康状态组成的序列输入训练好的预测模型,输出预测健康状态;
所述获取对应所述锂电池分区的保护膜褶皱系数包括:
在每个所述锂电池分区内,获取所述参考边缘上每个像素点的参考曲率,获取所述保护膜边缘上的像素点的目标曲率;
计算相同纵坐标像素点的所述目标曲率与所述参考曲率的曲率差异,将所述曲率差异求和,得到对应所述锂电池分区的保护膜褶皱系数;
所述根据所述褪色像素点的数量获取每个所述锂电池分区的保护膜褪色指数包括:
在每个所述锂电池分区中,获取所述褪色像素点的数量,计算所述褪色像素点的数量与所述锂电池分区的像素点总数的比值,所述比值为保护膜褪色指数;
所述根据所述保护膜褶皱系数、所述保护膜褪色指数及所述锂电池膨胀指数获取锂电池健壮强度包括:
将所述保护膜褶皱系数及所述保护膜褪色指数相乘获取对应所述锂电池区域的老化指数;
计算所述老化指数与所述锂电池膨胀指数的乘积,将所述乘积进行负映射并归一化,获得锂电池健壮强度;
所述根据所述锂电池健壮强度获取对应所述锂电池分区的显著性值包括:
将任意一个所述锂电池分区与所有所述锂电池分区的所述锂电池健壮强度的差值作为目标特征距离差值,根据所述目标特征距离差值,利用CA显著性算法计算对应所述锂电池分区的显著性值。
2.根据权利要求1所述的一种锂电池健康状态预测评估方法,其特征在于,所述获取所述锂电池区域中的边界边缘和保护膜边缘,根据所述边界边缘获取每个锂电池分区包括:
获取所述锂电池区域内的所有边缘;计算所有所述边缘的长度并求长度均值,将所述长度大于等于所述长度均值的边缘作为边界边缘,所述长度小于所述长度均值的边缘作为保护膜边缘;
以第一个所述边界边缘开始,按预设排列顺序将每两个所述边界边缘所分割区域作为一个锂电池分区。
3.根据权利要求1所述的一种锂电池健康状态预测评估方法,其特征在于,所述褪色像素点的获取方法包括:
获取预设标准HSV值;获取每个所述锂电池分区内的每个像素点的HSV值,将HSV值小于预设标准HSV值的像素点标记为褪色像素点。
4.根据权利要求1所述的一种锂电池健康状态预测评估方法,其特征在于,所述根据每个所述锂电池分区的所述显著性值评估所述单排待测锂电池组的健康状态包括:
将每个所述锂电池分区对应的所述显著性值进行归一化,将归一化值大于预设阈值的所述锂电池分区作为非健康锂电池区域,将归一化值小于等于预设阈值的所述锂电池分区作为健康锂电池区域;
获取所述非健康锂电池区域的数量,将所述非健康锂电池的数量与所述锂电池分区的总数量的比值作为所述健康状态。
5.根据权利要求1所述的一种锂电池健康状态预测评估方法,其特征在于,所述预测模型为根据ARIMA时序预测算法构成的模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311236401.2A CN116977339B (zh) | 2023-09-25 | 2023-09-25 | 一种锂电池健康状态预测评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311236401.2A CN116977339B (zh) | 2023-09-25 | 2023-09-25 | 一种锂电池健康状态预测评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116977339A CN116977339A (zh) | 2023-10-31 |
CN116977339B true CN116977339B (zh) | 2023-12-19 |
Family
ID=88479984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311236401.2A Active CN116977339B (zh) | 2023-09-25 | 2023-09-25 | 一种锂电池健康状态预测评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116977339B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118053531B (zh) * | 2024-04-16 | 2024-06-14 | 大连杰伍科技有限公司 | 一种医学检验临床数据智能管理方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020192076A (ja) * | 2019-05-28 | 2020-12-03 | 国立大学法人 東京大学 | 健康状態評価システムおよびこれに用いられる健康情報取得装置、健康情報取得方法並びに曲げ認識センサ |
CN115097306A (zh) * | 2022-07-11 | 2022-09-23 | 电子科技大学 | 一种锂电池健康监测传感器阵列及其制备和测试方法 |
CN115792637A (zh) * | 2022-12-09 | 2023-03-14 | 杭州电子科技大学 | 一种锂电池健康状态估算方法 |
CN116111221A (zh) * | 2022-11-17 | 2023-05-12 | 中材新材料装备科技(天津)有限公司 | 一种基于图像处理对锂电池健康评估方法 |
CN116359738A (zh) * | 2022-12-02 | 2023-06-30 | 清华大学 | 电池的健康状态监测方法、装置、设备及存储介质 |
CN116739997A (zh) * | 2023-05-24 | 2023-09-12 | 四川轻化工大学 | 一种基于x射线成像的锂电池在线成像分析方法 |
CN116774075A (zh) * | 2023-08-28 | 2023-09-19 | 清华四川能源互联网研究院 | 一种锂离子电池健康状态评估方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015023820A2 (en) * | 2013-08-15 | 2015-02-19 | University Of Maryland College Park | Systems, methods, and devices for health monitoring of an energy storage device |
-
2023
- 2023-09-25 CN CN202311236401.2A patent/CN116977339B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020192076A (ja) * | 2019-05-28 | 2020-12-03 | 国立大学法人 東京大学 | 健康状態評価システムおよびこれに用いられる健康情報取得装置、健康情報取得方法並びに曲げ認識センサ |
CN115097306A (zh) * | 2022-07-11 | 2022-09-23 | 电子科技大学 | 一种锂电池健康监测传感器阵列及其制备和测试方法 |
CN116111221A (zh) * | 2022-11-17 | 2023-05-12 | 中材新材料装备科技(天津)有限公司 | 一种基于图像处理对锂电池健康评估方法 |
CN116359738A (zh) * | 2022-12-02 | 2023-06-30 | 清华大学 | 电池的健康状态监测方法、装置、设备及存储介质 |
CN115792637A (zh) * | 2022-12-09 | 2023-03-14 | 杭州电子科技大学 | 一种锂电池健康状态估算方法 |
CN116739997A (zh) * | 2023-05-24 | 2023-09-12 | 四川轻化工大学 | 一种基于x射线成像的锂电池在线成像分析方法 |
CN116774075A (zh) * | 2023-08-28 | 2023-09-19 | 清华四川能源互联网研究院 | 一种锂离子电池健康状态评估方法及系统 |
Non-Patent Citations (2)
Title |
---|
Nanoscale X-ray imaging of ageing in automotive lithium ion battery cells;Christiane Rahe et al.;《Journal of Power Sources》;第433卷;第1-9页 * |
基于视觉特征的动力电池组综合健康评估及分筛方法;陈智伟 等;《储能科学与技术》;第1-12页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116977339A (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116977339B (zh) | 一种锂电池健康状态预测评估方法 | |
CN109598721B (zh) | 电池极片的缺陷检测方法、装置、检测设备和存储介质 | |
CN102445640B (zh) | 基于向量机和人工鱼群优化的gis设备智能识别方法 | |
CN104780358A (zh) | 基于多个影像的闪烁侦测方法及电路 | |
CN101563710A (zh) | 识别由视频监视摄像机检测到的对象的特性的方法及装置 | |
CN104680546A (zh) | 一种图像显著目标检测方法 | |
CN103324951B (zh) | 一种多元异构水环境监测数据评价与预警方法 | |
CN110516559B (zh) | 适用于精准监控的目标跟踪方法及装置、计算机设备 | |
CN113688820B (zh) | 频闪条带信息识别方法、装置和电子设备 | |
CN112017173A (zh) | 基于目标检测网络和结构化定位的电力设备缺陷检测方法 | |
CN112697798A (zh) | 面向红外图像的变电设备电流致热型缺陷的诊断方法和装置 | |
CN111191610A (zh) | 一种视频监控中人流量检测与处理方法 | |
CN115880229A (zh) | 一种变压器局部放电智能监控方法及其系统 | |
CN114035095A (zh) | 基于电压曲线拐点识别的锂电池soh估计方法、介质及设备 | |
CN112036269A (zh) | 跌倒检测方法、装置、计算机设备和存储介质 | |
CN116643178A (zh) | 一种电池管理系统的soc估算方法及相关装置 | |
CN113191270B (zh) | 抛洒事件检测方法、装置、电子设备及存储介质 | |
CN111539840A (zh) | 一种融合聚类与密度估计的窃电检测方法及系统 | |
US11380036B2 (en) | Method of establishing visual images of models of battery status | |
WO2021068589A1 (zh) | 一种图像中物体及其关键点的确定方法和装置 | |
CN117173100B (zh) | 聚合物锂离子电池生产控制系统及其方法 | |
CN117260046A (zh) | 门窗的无缝焊接系统及其方法 | |
CN116668859A (zh) | 一种gis设备机房环境监控装置 | |
CN116739997A (zh) | 一种基于x射线成像的锂电池在线成像分析方法 | |
CN115311601A (zh) | 一种基于视频分析技术的火灾探测分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method for predicting and evaluating the health status of lithium batteries Granted publication date: 20231219 Pledgee: Shandong Jining Yanzhou Rural Commercial Bank Co.,Ltd. Pledgor: Wujie Science & Technology Co.,Ltd. Registration number: Y2024980008727 |